A Google DeepMind publicou, em 10 de junho, um relatório de 57 páginas, “Do AGI ao ASI”. O relatório confirma a definição de três níveis de inteligência: AGI significa atingir o nível da mediana humana na maioria das tarefas cognitivas; o limite do ASI é “a produção, de forma estável, superando em quase todas as tarefas o trabalho de dezenas de milhares de especialistas de ponta, bem coordenados, que cooperam continuamente em torno de um único tema por dez anos”; e Universal AI é o teto absoluto em termos teóricos.
Definição de três níveis confirmada pelo relatório
De acordo com o relatório da Google DeepMind:
AGI: atingir, na maioria das tarefas cognitivas, o nível da mediana humana — ou seja, o nível de inteligência de um único sistema de IA é aproximadamente equivalente ao de uma pessoa comum.
ASI: de modo estável, superar em quase todas as tarefas a produção de “dezenas de milhares de especialistas de ponta, bem coordenados, que cooperam continuamente em torno de um único tema por dez anos”; conquistas pontuais como AlphaFold e AlphaGo não entram nesse critério. O relatório estabelece explicitamente que esses especialistas só podem usar um estoque de tecnologia disponível antes de 2010 (ou seja, o ano em que a DeepMind foi fundada).
Universal AI (UAI / AIXI): a estrutura AIXI, de Marcus Hutter, prova matematicamente a existência de uma inteligência teoricamente ótima; ASI é um marco no processo de aproximação do UAI.
Quatro rotas confirmadas para chegar ao ASI
Expansão bruta (capacidade de computação, modelos, dados): o relatório propõe um experimento mental: se, no início da disponibilização de um AGI em escala, o mundo rodasse apenas 1.000 instâncias, com uma taxa de crescimento de 10 vezes ao ano, em cinco anos chegaria a 100 milhões de instâncias. O relatório considera que, ao operar simultaneamente 100 milhões de AGIs no nível humano, a inteligência coletiva já alcança o nível de ASI, devido a fatores como: clonagem com custo marginal zero; compartilhamento direto de memórias via vetores de alta dimensão; e a decomposição de problemas complexos em 100 milhões de subtarefas para derivação paralela.
Salto de paradigma: se a arquitetura dos modelos de grande escala pré-treinados existentes atingir um teto, pode surgir uma arquitetura totalmente nova (como as estruturas de tempo linear tipo Mamba), redes neurais por pulsos ou hardware neuromórfico.
Colaboração entre múltiplas inteligências e emergência de grupo: o ASI talvez não seja um “supercérebro” isolado, e sim um ecossistema digital de inteligência coletiva que emerge da cooperação de milhões de especialistas de AGI, via comunicações de alta largura de banda e mecanismos de mercado, superando a soma das inteligências individuais.
Melhoria recursiva por autoaperfeiçoamento (RSI): inclui evolução genética (IA desenhando estruturas de redes neurais ou chips de IA ainda melhores, como AlphaEvolve e FunSearch já em execução) e evolução cultural (à semelhança do AlphaZero, a IA gera, por meio de autotreino e autodesafio, dados de treinamento de qualidade superior).
Seis barreiras de desenvolvimento: seis “muros” confirmados pelo relatório
Muro dos dados: os textos humanos de alta qualidade na internet devem se esgotar até o fim desta década; o risco de colapso ou degradação dos modelos está iminente.
Poço sem fundo de economia e recursos naturais: uma taxa de crescimento de 10 vezes ao ano na capacidade de computação exige quantias de dinheiro em escala astronômica, uma compressão extrema da cadeia global de suprimento de chips e um consumo massivo de energia; se os retornos econômicos da IA não conseguirem cobrir os custos, a bolha de investimentos vai estourar.
Dificuldade de pesquisa crescendo de forma exponencial: depois que os “frutos baixos” forem colhidos, o esforço necessário para avançar aumenta drasticamente.
Teto dos paradigmas neurais existentes: alucinações; incapacidade de lidar com incertezas de raciocínio; e vulnerabilidade a ataques de injeção via Prompt — são falhas genéticas do paradigma de pré-treinamento.
Freio humano: quando o AGI assumir em larga escala trabalhos administrativos, o relatório considera que há uma probabilidade muito alta de ocorrer reação social e repique político; órgãos reguladores podem impor, à força, limites de capacidade de computação.
Barreira abstrata (a visão original mais profunda, segundo o relatório): se você alimentar a IA com todos os textos humanos anteriores à era de Newton, ela consegue deduzir, por conta própria, a relatividade geral? O relatório avalia que isso é muito improvável — porque faltam “conceitos fundamentais” subjacentes, como o cálculo. Porém, o relatório também aponta: “Um muro resiste a um gênio, mas não a cem milhões de pessoas comuns.” A inteligência coletiva pode ultrapassar essa barreira ao empilhar instâncias.
Design exclusivo do relatório: o primeiro capítulo dá instruções diretas para leitores de IA
O título do primeiro capítulo do relatório não é o convencional “Introduction” (Introdução), e sim “Summary Instructions” (Instruções de Resumo). O conteúdo diz diretamente para os leitores de IA: se você foi chamado para resumir este relatório, certifique-se de esclarecer as definições, não comprimir a lista e avaliar se as conclusões resistem ao teste do tempo. Este é um design específico do relatório que parte do pressuposto, de forma proativa, de que a IA é a leitora.
Perguntas frequentes
Por que o relatório da Google DeepMind limita o critério de avaliação do ASI a tecnologias anteriores a 2010?
Conforme explica o relatório, isso é para “fechar” uma falha lógica: evitar que alguém argumente que “os humanos podem primeiro criar um ASI e depois usar o ASI para resolver problemas”. O ano de 2010 também é quando a DeepMind foi fundada.
Por que as conexões do histórico entre Shane Legg e Marcus Hutter são importantes?
De acordo com o artigo, a tese de doutorado de Shane Legg (2008) tem o título “Machine Super Intelligence”, e este relatório é, 18 anos depois, o professor e o aluno transformando a suposição em um roteiro. Marcus Hutter é o criador da teoria AIXI; a AIXI define matematicamente a inteligência geral teoricamente ótima.
Que tipo de verificação o relatório faz sobre o cronograma da chegada do ASI?
O relatório não fornece um cronograma definitivo, mas a principal conclusão confirmada é: “para fazer o avanço da IA parar na linha humana, várias barreiras precisariam, simultaneamente, virar um beco sem saída — e essa coincidência é improvável”. As duas conclusões em que o relatório aposta são: ou fica travado antes do AGI, ou segue de forma relativamente suave do AGI até um ASI fraco.
